[
-
内容大纲
本书从回归分析视角讲述统计学习方法，强调在无先验模型假设下，基于数据驱动的条件分布建模。本书的核心思想是，监督学习可被恰当地视为一种回归分析形式。遵循现代数据分析理念，本书强调，正确的统计学习数据分析方法依赖于良好的数据收集、巧妙的数据管理、恰当的统计程序以及对结果的可信解释。书中涵盖了袋装法、随机森林、提升算法、支持向量机、深度学习、强化学习等统计学习的关键概念和方法，并结合R语言代码展示了这些方法的实际应用。另外，本书探讨了传统统计推断和统计学习之间的关联与区别，很好地展现了计算机科学与统计学的融合发展与相互碰撞。
本书既可以作为统计学、数据科学、人工智能、社会学、心理学和生命科学等专业高年级本科生和研究生的教材，也可以作为希望将统计学习方法应用于科学和政策问题的研究人员的参考用书。 -
作者介绍
-
目录
前言
第1章 回归视角下的统计学习
1.1 准备开始
1.2 设定回归语境
1.3 重新审视无处不在的线性回归模型
1.3.1 实际问题
1.3.2 回归的另外一种形式
1.4.1 关于使用错误模型进行统计推断的进一步探讨
1.4.3 夹心标准误简介
1.4.4 保形推断简介
1.4.5 非参数自举法简介
1.4.6 二元响应变量的错误回归模型
1.5 向统计学习转变
1.5.1 模型与算法
1.6 一些初步概念
1.6.1 统计学习的总体目标
1.6.2 基于监督型统计学习的预测
1.6.3 过拟合
1.6.4 数据窥探
1.6.5 应对过拟合和数据窥探的一些建设性对策
1.6.6 损失函数及相关概念
1.6.7 偏差-方差权衡
1.6.8 线性估计量
1.6.9 自由度
1.6.10 基函数
1.6.11 维度灾难
1.7 统计学习的背景
示例和练习题
尾注
本章参考文献
第2章 样条、平滑器和核函数
2.1 引言
2.2 回归样条
2.2.1 分段线性总体近似估计
2.2.2 多项式回归样条
2.2.3 自然三次样条
2.2.4 B样条
2.3 惩罚平滑
2.3.1 收缩与正则化
2.4 惩罚回归样条
2.4.1 一个实际应用
2.5 平滑样条
2.5.1 一个平滑样条的示例
2.6 作为平滑方法的局部加权回归
2.6.1 最近邻方法
2.6.2 局部加权回归
2.7 多预测变量的平滑方法
2.7.1 二维空间的平滑
2.7.2 广义加性模型
2.8 带有分类变量的平滑算法
2.8.1 使用广义加性模型处理二元结果的示例
2.9 模型选择后的统计推断示例
2.9.1 第一层级分析与第二层级分析的对比总结
2.10 核化回归
2.10.1 径向基核
2.10.2 ANOVA径向基核
2.10.3 一个核回归的应用
2.11 总结与结论
示例和练习题
尾注
本章参考文献
第3章 回归与决策树
3.1 引言
3.2 CART中递归分割算法的简介
3.3 深入探讨基本思想
3.3.1 展示贪婪算法决策的树状图
3.3.2 一个初步的应用
3.3.3 基于CART的分类与预测
3.3.4 混淆矩阵
3.3.5 作为自适应最近邻方法的CART
3.4 节点分裂的形式化处理
3.5 使用CART进行监狱犯人风险评估的示例
3.6 分类误差与成本
3.6.1 CART中成本的默认值
3.6.2 先验概率与相对误分类成本
3.7 调整先验和复杂度参数
3.8 一个包含三类响应变量的示例
3.9 回归树
3.9.1 一个CART应用实例：分析影响高中生GPA的相关因素
3.10 剪枝
3.11 缺失数据
3.11.1 CART中的缺失数据
3.12 关于CART算法不稳定性的更多讨论
3.13 CART统计推断总结
3.13.1 CART预测的统计推断总结
3.14 总结与结论
练习题
尾注
本章参考文献
第4章 袋装法
4.1 引言
4.2 袋装法算法
4.3 更多袋装法的细节
4.3.1 再探CART不稳定性问题
4.3.2 袋装法的重抽样方法
4.3.3 树间投票与概率
4.3.4 预测与缺失值插补
4.3.5 袋装法的估计与统计推断
4.3.6 分类的边际
4.3.7 使用袋外观测作为测试数据
4.3.8 袋装与偏差
4.4 袋装法的一些局限性
4.4.1 有时袋装法也无济于事
4.4.2 有时袋装法会加剧估计偏差
4.4.3 有时袋装法会加剧估计方差
4.5 一个袋装法的示例
4.6 总结与结论
练习题
尾注
本章参考文献
第5章 随机森林
5.1 引言和总览
5.1.1 解析随机森林的工作原理
5.2 随机森林的初步示例
5.3 一些正式的技术细节
5.3.1 随机森林概述
5.3.2 分类器的边际与泛化误差
5.3.3 随机森林的泛化误差
5.3.4 随机森林的强度
5.3.5 依赖性
5.3.6 总结
5.4 随机森林与自适应最近邻方法
5.5 引入误分类成本
5.5.1 使用非对称成本的简要示例
5.6 确定预测变量的重要性
5.6.1 对拟合的贡献
5.6.2 对预测值的贡献
5.7 输入响应函数
5.7.1 部分依赖图示例
5.7.2 多于两个响应类别
5.8 分类与邻近矩阵
5.8.1 通过邻近值进行聚类
5.9 经验边际
5.10 数值型响应变量
5.11 使用数值型响应变量的随机森林示例
5.12 使用随机森林进行统计推断
5.13 软件与调参
5.14 贝叶斯加性回归树
5.15 总结与结论
练习题
尾注
本章参考文献
第6章 提升算法
6.1 引言
6.2 AdaBoost
6.2.1 AdaBoost.M1的一个简单数值示例
6.2.2 为什么提升算法在分类问题上效果绝佳
6.3 随机梯度提升
6.3.1 梯度提升的正式表达
6.3.2 随机梯度提升实战
6.3.3 调整参数
6.3.4 输出
6.4 非对称成本
6.5 提升算法、估计与一致性
6.6 一个二项分布的示例
6.7 用于统计推断和预测的提升算法
6.7.1 一个插补的示例
6.8 一个分位回归的示例
6.9 提升算法在观察性研究中的因果推断应用
6.10 总结与结论
练习题
尾注
本章参考文献
第7章 支持向量机
7.1 引言
7.2 图解支持向量机
7.2.1 支持向量分量分类器
7.2.2 支持向量机
7.3 更正式地介绍支持向量机
7.3.1 再论支持向量分类器：线性可分情况
7.3.2 非线性可分情况
7.3.3 重温支持向量机
7.3.4 支持向量机用于回归场景
7.3.5 支持向量机的统计推断
7.4 一个分类问题的示例
7.5 总结与结论
练习题
尾注
本章参考文献
第8章 神经网络
8.1 引言
8.2 传统（基础）神经网络
8.2.1 梯度下降的实现
8.2.2 神经网络的统计推断
8.2.3 一个应用
8.2.4 一些前沿进展
8.2.5 传统神经网络对实践的影响
8.3 神经网络深度学习
8.3.1 卷积神经网络
8.3.2 循环神经网络
8.3.3 对抗神经网络
8.4 结论
示例和练习题
尾注
本章参考文献
第9章 强化学习与遗传算法
9.1 强化学习简介
9.2 遗传算法
9.3 一个应用示例
9.4 结论
示例和练习题
尾注
本章参考文献
第10章 主题整合与实用技巧
10.1 一些综合性的技术主题
10.2 整合涉及伦理与政治的主题
10.3 一些日常实践的建议
10.3.1 选择正确的数据分析程序
10.3.2 了解你的软件
10.3.3 不要忘记基础
10.3.4 获取好的数据
10.3.5 将目标与实际能力相匹配
10.4 一些总结性的观察
尾注
本章参考文献
参考文献
同类热销排行榜
- 向着光亮那方/谁的青春不迷茫系列16.8
- 你所谓的稳定不过是在浪费生命15.2
- 全球通史(从史前史到21世纪第7版修订版下)/培文书系21.6
- 答案之书(精)15.2
- 八万四千问18
- 万历十五年/黄仁宇作品系列10.4
- 耶路撒冷三千年(精)31.2
- 中国大历史/黄仁宇作品系列11.2
- 梦的解析15.92
- 鱼羊野史(第6卷11-12月晓松说历史上的今天)18
推荐书目
-
孩子你慢慢来/人生三书 华人世界率性犀利的一枝笔，龙应台独家授权《孩子你慢慢来》20周年经典新版。她的《...
-
时间简史(插图版) 相对论、黑洞、弯曲空间……这些词给我们的感觉是艰深、晦涩、难以理解而且与我们的...
-
本质(精) 改革开放40年，恰如一部四部曲的年代大戏。技术突变、产品迭代、产业升级、资本对接...